0
| 本文作者： 胡清文 | 2025-12-31 16:47 |
12月12日，第八屆GAIR全球人工智能與機(jī)器人大會(huì)在深圳正式啟幕。
本次大會(huì)為期兩天，由GAIR研究院與雷峰網(wǎng)聯(lián)合主辦，高文院士任指導(dǎo)委員會(huì)主席，楊強(qiáng)院士與朱曉蕊教授任大會(huì)主席。
作為觀(guān)測(cè)AI技術(shù)演進(jìn)與生態(tài)變遷的重要窗口，GAIR大會(huì)自2016年創(chuàng)辦以來(lái)以來(lái)，始終與全球AI發(fā)展的脈搏同頻共振，見(jiàn)證了技術(shù)浪潮從實(shí)驗(yàn)室涌向產(chǎn)業(yè)深海。2025年，是大模型從“技術(shù)破壁”邁向“價(jià)值深耕”的關(guān)鍵節(jié)點(diǎn)，值此之際GAIR如期而至，攜手智者觸摸AI最前沿脈動(dòng)，洞見(jiàn)產(chǎn)業(yè)深層邏輯。
大會(huì)上，之江實(shí)驗(yàn)室科學(xué)模型總體組技術(shù)總師，天壤智能CEO薛貴榮博士親臨現(xiàn)場(chǎng)，為參會(huì)者帶來(lái)了一場(chǎng)精彩紛呈的演講分享。
薛貴榮博士指出，以大語(yǔ)言模型為代表的AI技術(shù)雖已在多個(gè)學(xué)科研究中展現(xiàn)出潛力，但其本質(zhì)上仍受限于“語(yǔ)言的邊界”，難以真正理解高維度、多類(lèi)型的科學(xué)數(shù)據(jù)，更無(wú)法獨(dú)立完成可驗(yàn)證的科學(xué)發(fā)現(xiàn)。
基于此，薛貴榮博士系統(tǒng)分析了大語(yǔ)言模型與科學(xué)基礎(chǔ)模型之間的本質(zhì)差異，并詳細(xì)闡述了之江實(shí)驗(yàn)室所研發(fā)出的021科學(xué)基礎(chǔ)模型在突破語(yǔ)言維度、統(tǒng)一化科學(xué)數(shù)據(jù)、科學(xué)推理與發(fā)現(xiàn)，跨學(xué)科知識(shí)融合等方面的關(guān)鍵優(yōu)勢(shì)。同時(shí)，他提出一些關(guān)于面向“AI+科學(xué)”新范式的思考：
1、大語(yǔ)言模型在解決科學(xué)問(wèn)題上還存在很大的局限，在覆蓋100多個(gè)學(xué)科的高難度HLE測(cè)試中，表現(xiàn)最優(yōu)的模型目前也只達(dá)到了25.4%的準(zhǔn)確率。
2、要想解決科學(xué)問(wèn)題，大科學(xué)基礎(chǔ)模型的需要超越語(yǔ)言空間，做到真正理解化學(xué)、天文學(xué)、地球科學(xué)、生命科學(xué)、材料科學(xué)等各類(lèi)科學(xué)知識(shí)。
3、科學(xué)基礎(chǔ)模型與當(dāng)前的大語(yǔ)言模型之間的主要差別是，大語(yǔ)言模型以文本數(shù)據(jù)作為T(mén)oken化的基礎(chǔ)，而科學(xué)基礎(chǔ)模型所對(duì)應(yīng)表達(dá)的Token是跨學(xué)科、多類(lèi)型的科學(xué)數(shù)據(jù)。
4、要想把科學(xué)數(shù)據(jù)Token化得先解決OneTokenizer的問(wèn)題，就是把光譜、化學(xué)結(jié)構(gòu)、DNA數(shù)據(jù)等結(jié)構(gòu)化之后統(tǒng)一到一個(gè)高維空間中。
5、將科學(xué)數(shù)據(jù)Token化對(duì)齊后可以建立起不同類(lèi)型數(shù)據(jù)之間的關(guān)聯(lián)，就可以在解決不同學(xué)科、不同專(zhuān)業(yè)的科學(xué)問(wèn)題時(shí)做出全鏈路解析。
6、為打破大語(yǔ)言模型解決科學(xué)問(wèn)題的局限性，之江實(shí)驗(yàn)室推出了021科學(xué)基礎(chǔ)模型，在對(duì)科學(xué)世界形成客觀(guān)認(rèn)知的基礎(chǔ)上，具備迅速、精準(zhǔn)、高泛化性的科學(xué)知識(shí)問(wèn)答能力。
精彩演講回顧
現(xiàn)場(chǎng)演講完整視頻，詳見(jiàn)鏈接：https://youtu.be/NZ4nW4cegLg
以下是薛貴榮博士演講的精彩內(nèi)容，雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))作了不改變?cè)獾恼砼c編輯：
01
為什么說(shuō)大語(yǔ)言模型不夠用了？
接下來(lái)我跟大家介紹一下我們?cè)谥龅墓ぷ鳎茖W(xué)基礎(chǔ)模型。
大家都知道今年我們國(guó)家發(fā)布了“人工智能+”戰(zhàn)略，其中的第一個(gè)就是+科學(xué)技術(shù)。那么科學(xué)技術(shù)有什么作用？如何訓(xùn)練將它轉(zhuǎn)變成真正的基礎(chǔ)模型呢？我們就這些問(wèn)題跟大家介紹一下。
AI+科學(xué)是非常具有挑戰(zhàn)性，但也同時(shí)也非常exciting的領(lǐng)域。上個(gè)月美國(guó)發(fā)布了“創(chuàng)世紀(jì)計(jì)劃”，類(lèi)比于曼哈頓計(jì)劃。曼哈頓計(jì)劃大家都知道，美國(guó)集合了非常多的工程師與科技人員，一起攻堅(jiān)了一個(gè)歷史上最重要，并且是規(guī)模最大的科技工程項(xiàng)目。
這次的“創(chuàng)世紀(jì)計(jì)劃”，也被定義為“AI曼哈頓計(jì)劃”，美國(guó)集合了17個(gè)國(guó)家實(shí)驗(yàn)室、4萬(wàn)名科學(xué)家，是冷戰(zhàn)以來(lái)對(duì)聯(lián)邦科技資源的一次最大動(dòng)員。這個(gè)計(jì)劃非常詳盡，對(duì)于不同時(shí)間點(diǎn)的任務(wù)部署有著明確規(guī)定，作為國(guó)家科技工程項(xiàng)目，勢(shì)必要人工智能技術(shù)在科學(xué)領(lǐng)域做出重大產(chǎn)出。
這個(gè)項(xiàng)目的相關(guān)負(fù)責(zé)人Dario Gil提出，如今人工智能科學(xué)應(yīng)用可以用對(duì)話(huà)的方式作為開(kāi)始。正如AI真正的價(jià)值不只是寫(xiě)論文的摘要，更重要的是能夠形成可驗(yàn)證的結(jié)果。需要調(diào)用模型以及實(shí)驗(yàn)室在幾十年間積累的數(shù)據(jù)，形成一個(gè)可驗(yàn)證、可迭代的數(shù)據(jù)集，通過(guò)訓(xùn)練模型，并最終應(yīng)用到科技行業(yè)當(dāng)中。
人工智能在科技里的應(yīng)用其實(shí)非常早，我主要講述大語(yǔ)言模型在科學(xué)研究中的應(yīng)用。
這是一份美國(guó)的報(bào)告，聚集了很多科學(xué)家共同研究如今的人工智能在科學(xué)發(fā)現(xiàn)能解決什么樣的問(wèn)題？一共總結(jié)出了5個(gè)部分，多模態(tài)和多尺度學(xué)習(xí)、遷移學(xué)習(xí)、數(shù)字孿生、實(shí)驗(yàn)設(shè)計(jì)和交互學(xué)習(xí)。
那么今天的AI，在科研當(dāng)中究竟起到什么作用呢？這份報(bào)告顯示，他們又找了1600名研究人員，其中三分之二認(rèn)為人工智能工具提升了數(shù)據(jù)處理的方法，另外有超過(guò)一半認(rèn)為人工智能加快了計(jì)算速度，節(jié)省了成本和時(shí)間。
2024年，當(dāng)今數(shù)學(xué)界最年輕的教授陶哲軒提出，到2026年，人工智能會(huì)成為數(shù)學(xué)研究中值得信賴(lài)的新合作者。他個(gè)人非常積極地應(yīng)用AI來(lái)做科學(xué)研究，最近他也頻繁使用大語(yǔ)言模型解決數(shù)學(xué)難題，例如最近他使用GPT-5Pro成功探索了微分幾何難題“有界曲率球體問(wèn)題”的本質(zhì)。
這件事最有趣的是他并不擅長(zhǎng)這個(gè)領(lǐng)域，也就是說(shuō)：今天，我們能夠借助人工智能，解決更多科學(xué)領(lǐng)域問(wèn)題，科學(xué)的人工智能時(shí)代已經(jīng)來(lái)臨了。
OpenAI最近也有一個(gè)計(jì)劃：要把人工智能用到科學(xué)當(dāng)中，早前9月3日，OpenAI宣布啟動(dòng)一項(xiàng)新倡議——OpenAI for Science，想要打造一個(gè)由人工智能驅(qū)動(dòng)、加速科學(xué)發(fā)現(xiàn)的平臺(tái)，并實(shí)現(xiàn)了如量子場(chǎng)論的推導(dǎo)過(guò)程和干細(xì)胞相關(guān)的蛋白質(zhì)優(yōu)化等相關(guān)問(wèn)題的研究。
最近，OpenAI又招了一名主要做黑洞研究的天文學(xué)家亞歷克斯·盧斯帕卡，來(lái)幫助找尋宇宙銀河系中黑洞的所在位置。這個(gè)研究人員之前也是做這方面理論研究的，之前他花費(fèi)數(shù)日才計(jì)算出來(lái)的“黑洞擾動(dòng)理論中新對(duì)稱(chēng)性”的精確形式，GPT-5 Pro僅花30分鐘就解決了。
02
科學(xué)基礎(chǔ)模型如何補(bǔ)齊 LLM 的科研短板？
雖然大語(yǔ)言模型解決了很多科學(xué)問(wèn)題和推理，但大語(yǔ)言模型要想真正服務(wù)于科學(xué)還面臨著非常多的挑戰(zhàn)。
語(yǔ)言是人類(lèi)交流過(guò)程中表達(dá)思想的一種符號(hào)，它是人類(lèi)認(rèn)知的皇冠上的明珠，正如Ludwig Wittgenstein所說(shuō)：“語(yǔ)言的邊界，就是世界的邊界。”
今天大家都紛紛想用能夠代表我們認(rèn)知的語(yǔ)言模型，來(lái)解決科學(xué)問(wèn)題。然而根據(jù)HLE發(fā)布的最新研究結(jié)果，大語(yǔ)言模型在科學(xué)知識(shí)與推理方面暫時(shí)沒(méi)有達(dá)到人類(lèi)認(rèn)知的極限，在覆蓋100多個(gè)學(xué)科的高難度HLE測(cè)試中，表現(xiàn)最優(yōu)的模型目前也只達(dá)到了25.4%的準(zhǔn)確率。
所以目前要用大語(yǔ)言模型來(lái)服務(wù)科學(xué)，其中仍然存在很大的挑戰(zhàn)。要想真正服務(wù)于科學(xué)，需要模型能夠跨越語(yǔ)言的邊界，做到真正理解所謂的分子、基因、地震、光譜等各種各樣高維的科學(xué)數(shù)據(jù)。
眾所周知，一張圖片勝過(guò)千言萬(wàn)語(yǔ)，圖片是另外一種讓我們能夠表達(dá)思想的重要渠道，但后來(lái)我們發(fā)現(xiàn)，在科學(xué)數(shù)據(jù)中還有一種更復(fù)雜的東西，叫做光譜。剛剛我們說(shuō)一張圖片勝過(guò)千言萬(wàn)語(yǔ)，而一張光譜勝過(guò)千萬(wàn)張圖片。
無(wú)論是遙感圖片，還是在化學(xué)實(shí)驗(yàn)室中做實(shí)驗(yàn)分析，我們都會(huì)用一個(gè)非常重要的儀器，就是光譜拍攝儀，而拍出來(lái)的東西就是光譜數(shù)據(jù)。這些數(shù)據(jù)不僅能告訴我們它是什么，還可以告訴我們它表達(dá)了什么樣的波段值，是由什么元素構(gòu)成的。
還有一類(lèi)生命科學(xué)數(shù)據(jù)就是基因。基因信息量非常大，每個(gè)人攜帶的基因序列大概是30億個(gè)。有人做了一個(gè)分析，一個(gè)咖啡杯容量的DNA可以存儲(chǔ)世界上所有的數(shù)據(jù)。人類(lèi)所攜帶的這么長(zhǎng)的基因序列，它能表達(dá)的信息量也是非常高維的。
接下來(lái)就是地球科學(xué)研究的一個(gè)典型數(shù)據(jù)叫地震波。地震波其實(shí)就是地球的語(yǔ)言，在告訴我們哪個(gè)地方會(huì)發(fā)生地震，或者有可能會(huì)發(fā)生地震。當(dāng)然，我們通過(guò)地震波不僅僅只是預(yù)測(cè)地震，我們還可以知道地下的結(jié)構(gòu)。
要想找油探礦，就必須清楚地了解地下的空間結(jié)構(gòu)，而地震波分析就是非常好的手段，類(lèi)似于我們看光譜一樣，地震波也是非常復(fù)雜的數(shù)據(jù)表達(dá)。
根據(jù)香農(nóng)的信息論和經(jīng)典語(yǔ)言學(xué)模型來(lái)看，自然語(yǔ)言實(shí)際是一種低維的離散符號(hào)系統(tǒng)。而科學(xué)數(shù)據(jù)包含時(shí)間、空間和能量等更高維的特性，它需要表達(dá)的維度空間，要遠(yuǎn)遠(yuǎn)大于語(yǔ)言所能描述的空間。
從上面這張圖可以看到，語(yǔ)言表達(dá)只是非常小的一部分。再看右邊，這是我們?nèi)祟?lèi)疾病關(guān)聯(lián)到的所有學(xué)科的知識(shí)維度，大概是二十幾維。如果只是純粹用語(yǔ)言來(lái)表達(dá)我們所看到的世界，空間會(huì)非常小，或者說(shuō)沒(méi)辦法完全表達(dá)我們所理解的世界。
我們希望，科學(xué)的基礎(chǔ)模型能夠解決這個(gè)難題。
科學(xué)基礎(chǔ)模型和如今的大語(yǔ)言模型之間存在本質(zhì)的差別。
首先是數(shù)據(jù)維度，當(dāng)前的大語(yǔ)言模型還是以文本數(shù)據(jù)作為T(mén)oken化的基礎(chǔ)。但科學(xué)基礎(chǔ)模型所對(duì)應(yīng)表達(dá)的科學(xué)數(shù)據(jù)Token化，是科學(xué)空間加上語(yǔ)言空間。因此要表達(dá)的維度要遠(yuǎn)超語(yǔ)言。
這里所指的空間不僅包括我們剛剛講的一系列空間，它是跨學(xué)科、多種類(lèi)類(lèi)型的。這其實(shí)是一件非常有挑戰(zhàn)性的事。而這一切的前提，就是如何有效的對(duì)科學(xué)數(shù)據(jù)進(jìn)行Token化，即解決Tokenizer的問(wèn)題。
所謂的OneTokenizer，就是把我們見(jiàn)到的所有東西盡量都統(tǒng)一到一個(gè)科學(xué)數(shù)據(jù)當(dāng)中。包括我們剛剛說(shuō)到的所謂的光譜、化學(xué)結(jié)構(gòu)、蛋白質(zhì)結(jié)構(gòu)、DNA、地震波數(shù)據(jù)等等，我們都希望把它結(jié)構(gòu)化到一個(gè)空間里面。
當(dāng)然，這些數(shù)據(jù)本身有它所表達(dá)的數(shù)據(jù)，比如分子式。我們希望哪怕是用文本描述，也可以將它們區(qū)隔來(lái)表示。比如同樣一個(gè)C，在分子式、蛋白質(zhì)、DNA，以及正常的英文單詞當(dāng)中，它所表達(dá)的意思是有區(qū)別的。
這是一件很復(fù)雜的工作，這個(gè)事情要真正做好，不僅需要AI科學(xué)家團(tuán)隊(duì)，還需要很多科學(xué)家跟我們一起合作完成。
這就是我們正在做的工作，我們正在把基因組學(xué)、細(xì)胞組學(xué)、光譜、晶體材料、時(shí)序數(shù)據(jù)、空間結(jié)構(gòu)數(shù)據(jù)等全部Token化，將它們放到一個(gè)空間當(dāng)中。
其次是，Token化之后，很多事情就對(duì)齊了，這也是數(shù)據(jù)治理非常重要的事。剛剛鄭宇老師講了很多城市數(shù)據(jù)要對(duì)齊，其實(shí)科學(xué)數(shù)據(jù)也需要對(duì)齊。科學(xué)數(shù)據(jù)對(duì)齊以后就有真正的科學(xué)發(fā)現(xiàn)了。
我舉四件案例來(lái)解釋一下對(duì)齊的價(jià)值：
1、動(dòng)物遷移&環(huán)境變化。大家都知道大雁南飛，那么為什么要往南飛呢？是隨著溫度變化在本能的飛行嗎？通過(guò)地球的溫度數(shù)據(jù)以及鳥(niǎo)的遷移會(huì)發(fā)現(xiàn)，鳥(niǎo)的遷移是根據(jù)溫度的變化在選擇路徑的，其實(shí)是通過(guò)感官角度來(lái)做這個(gè)事。
2、住房密度&溫度。這也是跟城市相關(guān)的數(shù)字，這個(gè)數(shù)據(jù)如果能很好地對(duì)齊，非常有助于我們做科學(xué)規(guī)律的發(fā)現(xiàn)。
3、GDP變化&夜光分布。我們?cè)谔张臄z的夜光圖片以及城市GDP的變化，相互之間也是有關(guān)系的。
4、衛(wèi)星上&望遠(yuǎn)鏡上拍攝太空。這兩種觀(guān)測(cè)方一種拍攝的圖像質(zhì)量高，一個(gè)拍攝的圖像質(zhì)量低。同時(shí)對(duì)一顆恒星進(jìn)行拍攝的時(shí)候，其實(shí)本身已經(jīng)做到了對(duì)齊，但數(shù)據(jù)質(zhì)量不一樣，把兩個(gè)數(shù)據(jù)一起拿來(lái)，可以進(jìn)行新的數(shù)據(jù)發(fā)現(xiàn)。
把數(shù)據(jù)Token化，建立數(shù)據(jù)與數(shù)據(jù)之間的關(guān)聯(lián)，從而保證不同學(xué)科或同一學(xué)科、不同專(zhuān)業(yè)之間的對(duì)齊，就像將DNA、蛋白質(zhì)、疾病表征的對(duì)齊，我們就可以進(jìn)行全鏈路的科學(xué)解析。
從0到1，我們訓(xùn)練了科學(xué)基礎(chǔ)模型。這個(gè)過(guò)程也很復(fù)雜，不僅僅需要有足夠的算力、數(shù)據(jù)，同時(shí)也要有高效的模型訓(xùn)練系統(tǒng)。我們做了預(yù)訓(xùn)練、到CPT、Long CPT、SFT、CoT SFT，再到強(qiáng)化學(xué)習(xí)。現(xiàn)在我們還在內(nèi)測(cè)中。
以上就是我們科學(xué)基礎(chǔ)模型的技術(shù)探索，因?yàn)闆](méi)有參考對(duì)象，是從零到一的創(chuàng)新，所以我們的科學(xué)基礎(chǔ)模型就命名為021。
03
科學(xué)基礎(chǔ)模型的應(yīng)用場(chǎng)景有哪些？
接下來(lái)我介紹一下這個(gè)模型的應(yīng)用場(chǎng)景。其實(shí)我們用了非常多的專(zhuān)業(yè)科學(xué)知識(shí)，這是它的大概分布圖，涉及數(shù)學(xué)、物理、化學(xué)、計(jì)算機(jī)等19個(gè)重要學(xué)科，覆蓋174個(gè)領(lǐng)域的科學(xué)知識(shí)。
這些領(lǐng)域，需要花大量的人力成本來(lái)收集數(shù)據(jù)，大概是幾個(gè)T的Token，相較于互聯(lián)網(wǎng)語(yǔ)料，真的只占1%的規(guī)模。所以這個(gè)數(shù)據(jù)未來(lái)如果想做大，如果想做Scaling Law，還有很大的挑戰(zhàn)。當(dāng)然我們也在不停收集新的數(shù)據(jù)納入進(jìn)來(lái)，比如實(shí)驗(yàn)室的實(shí)驗(yàn)數(shù)據(jù)。
其次是科學(xué)推理，基于這個(gè)模型我們可以根據(jù)一段語(yǔ)言的描述，通過(guò)對(duì)話(huà)的方式，做分子結(jié)構(gòu)的生成、編輯、修改，達(dá)到它所要求的性能。這些原本需要通過(guò)高通量的實(shí)驗(yàn)，需要花上幾個(gè)月到一年的時(shí)間才能夠做到的事情，今天通過(guò)對(duì)話(huà)方式很快就可以做到。
同樣，我們也打穿了從基因到疾病診斷的整個(gè)流程，能做從基因組學(xué)到細(xì)胞生物學(xué)、病理學(xué)、臨床醫(yī)學(xué)的整個(gè)鏈路。上圖中就是一個(gè)基因的突變，我們想知道它是良性的還是惡性的，就可以用這個(gè)模型來(lái)獲得答案。因?yàn)槲覀冇?xùn)練了非常多的科學(xué)數(shù)據(jù)，這應(yīng)該是當(dāng)前世界上從基因到疾病精準(zhǔn)診斷流程精度最好的模型。
在將來(lái)，我們希望所有的人能享受到這樣的模型服務(wù)，所以語(yǔ)言也是非常重要的，我們這個(gè)模型支持應(yīng)用全世界204種語(yǔ)言。
做這個(gè)科學(xué)基礎(chǔ)模型，非常挑戰(zhàn)的是需要非常多的科學(xué)家參與進(jìn)來(lái)。那么怎么搞這件事呢？我們也有三套路徑。
首先是種子班。我們跟天文、地學(xué)、材料科學(xué)、生命科學(xué)等很多國(guó)家實(shí)驗(yàn)室、高校、企業(yè)建立了大模型種子班，大家一起共創(chuàng)。他們派幾十個(gè)做科學(xué)的人，我們這邊派幾十個(gè)做計(jì)算的人，大家一起來(lái)了解這件事怎么做。
但前提要求是大家得相互了解，所以我們培訓(xùn)他們來(lái)了解模型，他們培養(yǎng)我們來(lái)認(rèn)識(shí)什么是該領(lǐng)域的關(guān)鍵數(shù)據(jù)、關(guān)鍵問(wèn)題。
其次是科學(xué)家工作坊。我們建立了科學(xué)家工作坊。剛才我們碰到的那些問(wèn)題，都是科學(xué)家告訴我們的，我們一起開(kāi)展聯(lián)合合作，請(qǐng)他們過(guò)來(lái)跟我們一起干三個(gè)月或半年，他們可以帶他們的學(xué)生。
當(dāng)前我們?cè)诟鷩?guó)內(nèi)、國(guó)際的一些專(zhuān)家在做深度協(xié)同創(chuàng)新。我們深知這個(gè)事的難度，所以我們希望越來(lái)越多的科學(xué)家能夠參與進(jìn)來(lái)。所以我們也發(fā)起了一個(gè)倡議，希望通過(guò)全球征集各學(xué)科的科學(xué)問(wèn)題，來(lái)探索人工智能在科學(xué)領(lǐng)域的極限，當(dāng)然我們也設(shè)立了獎(jiǎng)金池以及一攬子科研支持方案。
第三是開(kāi)放研究平臺(tái)。我們開(kāi)發(fā)的所有數(shù)據(jù)、模型都會(huì)在zero2x平臺(tái)上進(jìn)行開(kāi)放。zero2x平臺(tái)是一個(gè)開(kāi)放科學(xué)研究平臺(tái)。我們希望更多的人能夠來(lái)直接使用平臺(tái)進(jìn)行科學(xué)發(fā)現(xiàn)，也可以通過(guò)平臺(tái)跟我們一起進(jìn)行科學(xué)研究的創(chuàng)新。
本次報(bào)告的最后，我們希望，通過(guò)科學(xué)基礎(chǔ)模型，真正推動(dòng)科學(xué)研究范式的變革。讓我們一起加速科學(xué)的人工智能時(shí)代到來(lái)，謝謝。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
